UJI PARAMETERISASI TROPIS UNTUK PRAKIRAAN HUJAN

DI TANJUNG PRIOK
(Studi Kasus Tanggal 27 Maret 2018)
Suci Ainun Rimawati1*, Arya Dalexta1
1
Program Studi Meteorologi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika, Jakarta
*Email : scainur@gmail.com

ABSTRAK
Penggunaan model cuaca numerik mengalami banyak pembaruan pada metode maupun
teknologinya. WRF atau Weather Research and Forecast adalah model cuaca skala meso yang
banyak digunakan belakangan ini. Penelitian yang menggunakan WRF untuk kejadian hujan sudah
banyak dilakukan dan menunjukkan hasil yang cukup baik. WRF versi 3.9.1 terdapat pembaruan
fitur, dimana adanya penambahan skema parameterisasi Tropical Physics Suite untuk daerah tropis.
Pada penelitian skema parameterisasi tropis digunakan untuk mengetahui performa prediksi
kejadian hujan hasil keluaran model dari skema tersebut jika dibandingkan dengan skema
parameterisasi penelitian sebelumnya. Uji performa ini dilakukan pada kejadian hujan lebat tanggal
27 Maret 2018 di Tanjung Priok dengan menggunakan data Global Forecast System (GFS) dan data
curah hujan AWS. Hasil penelitian menunjukkan bahwa parameterisasi tropis menghasilkan nilai
akurasi 89% dan probability of detection = 1 sedangkan parameterisasi penelitian sebelumnya
menghasilkan nilai akurasi 78% dan probability of detection = 0.
Kata kunci : weather research forecast, prediksi hujan, verifikasi dikotomi, parameterisasi, nilai
akurasi, probability of detection.

ABSTRACT
The application of numerical weather models have a lot of many updates on the method and
technology. WRF or Weather Research and Forecast are meso scale weather models that have been
used recently. A lot of research using WRF for rain events have been already done and shows good
results. WRF version 3.9.1 has a feature update, where there is the addition of the parameterization
scheme of the Tropical Physics Suite for the tropics. The tropical parameterization scheme was used
to determine the performance predictions of rainfall events produced by the model when compared
with the previous study parameterization scheme. This performance test was conducted during
heavy rain events on March 27, 2018 in Tanjung Priok using Global Forecast System (GFS) and AWS
rainfall data. The results showed that tropical parameterization produced an accuracy value of 89%
and a probability of detection = 1 while the parameterization of previous studies produced an
accuracy value of 78% and a probability of detection = 0.
Key words : weather research forecast, rainfall prediction , dikotomi verification, parameterization,
accuracy value, probability of detection.
1. PENDAHULUAN

Secara topografi, wilayah Jakarta merupakan daerah dataran rendah yang berbatasan dengan
Laut Jawa. Kondisi ini memungkinkan dinamika cuaca berlangsung cukup signifikan. Bencana yang
paling umum terjadi ialah banjir yang diakibatkan oleh intensitas hujan yang lebat, sehingga
dibutuhkan suatu cara atau metode untuk memprakirakan cuaca yang tepat.
Perkembangan teknologi dan informasi dalam dunia meteorologi semakin berkembang saat ini.
Seiring berjalannya waktu kebutuhan akan informasi prakiraan yang cepat sangat dibutuhkan.
Banyak cara dan metode yang dicoba para ahli dalam memenuhi tuntutan tersebut hingga tercetus
suatu metode yang digunakan untuk memprakirakan cuaca memakai input model numerik
persamaan-persamaan matematika atmosfer dan lautan atau lebih dikenal dengan Numerical
Weather Prediction (NWP) (Golding,2013).
Penggunaan model cuaca numerik mengalami banyak pembaharuan pada metode maupun
teknologinya. Saat ini model cuaca yang banyak digunakan ialah model cuaca skala meso. WRF atau
Weather Research and Forecast adalah model cuaca skala meso yang banyak digunakan hari-hari ini.
Model WRF dirancang untuk bisa menjadi fleksibel dan efisien dalam lingkungan komputasi yang
masif (Skamarock dkk,2008).
Pada penelitian Hong dan Lee (2009) menunjukan penggunaan model WRF yang baik untuk kasus
hujan, karena dapat dilihat waktu hujan,lokasi dan evolusinya. Hal ini juga dikuatkan oleh Cardoso,
dkk. (2012), yang menyatakn model wrf baik digunakan untuk melihat fitur-fitur seperti lokasi, waktu
dan evolusi. Namun, masih perlu dibutuhkan uji akurasi pada model WRF agar output yang
dihasilkan lebih baik lagi.
Parameterisasi merupakan suatu cara untuk mebuat suatu estimasi dari parameter-parameter
yang tidak dapat diselesaikan oleh model. Menurut Stensrud (2009), proses-proses seperti konveksi,
transfer radiasi, pertumbuhan droplet awan dan sebagainya membutuhkan resolusi model yang
sangat tinggi untuk menyelesaikan proses tersebut secara eksplisit. Oleh karena itu dibutuhkan
skema yang sesuai dengan karakteristik dari wilayah tersebut.
Pada WRF versi 3.9.1 terdapat pembaharuan fitur, dimana adanya penambahan 2 skema
parameterisasi yaitu Cone Physics Suite untuk daerah sub tropis dan Tropical Physics Suite untuk
daerah tropis. Penelitian sebelumnya yang dibuat oleh Gustari, dkk. (2012), mengenai uji akurasi
curah hujan di wilayah Jabodetabek menggunakan skema parameterisasi mikrofisika Lin dan skema
konveksi Kain-Fristch menyatakan bahwa penggunaan model WRF sudah mampu membuat prediksi
curah hujan yang baik walaupun masih ditemukan prediksi yang over-forecast.
Tujuan penelitian ini adalah untuk mengetahui apakah skema parameterisasi Tropical Physics
Suite (skema parameterisasi tropis) menghasilkan prediksi curah hujan yang lebih baik jika
dibandingkan dengan hasil parameterisasi yang digunakan oleh Gustari, dkk. (2012), di wilayah
Tanjung Priok. Uji peforma skema parameterisasi Tropical Physics Suite dilakukan dengan mencari
nilai akurasi yang paling baik dengan metode verifikasi dikotomi (Wilks, 1995). Data titik yang
digunakan adalah titik AWS (Automatic Weather Station) Stasiun Meteorologi Maritim Tanjung
Priok.
2. Data dan Metode
2.1 Data
Data yang digunakan pada penelitian ini adalah :
1. Data Global Forecast System (GFS) tanggal 26 Maret 2018 dengan resolusi spasial 0.250 X 0.250
dan resolusi temporal 3 jam yang dapat diakses di
https://rda.ucar.edu/datasets/ds084.1/index.html#sfol-wl-/data/ds084.1 Panjang data yang
digunakan pada penelitian ini adalah 36 jam, dengan 12 jam pertama pada hari sebelumnya
digunakan sebagai waktu spin up time. Data GFS digunakan sebagai data inputan inisial WRF-
ARW untuk menghasilkan prediksi curah hujan selama 24 jam.
 2. Data curah hujan tanggal 27 Maret 2018 selama 24 jam yang diperoleh dari AWS (Automatic
Weather Station) Stasiun Meteorologi Maritim Tanjung Priok. Data curah hujan digunakan
sebagai data dukung untuk memverifikasi hasil curah hujan keluaran model.
2.2 Metode
Penelitian ini mengkaji kasus hujan lebat yang terjadi di Tanjung Priok pada tanggl 27 Maret
2018 yang menyebabkan beberapa wilayah di Tanjung Priok mengalami banjir. Wilayah penelitian ini
berlokasi di Stasiun Meteorologi Maritim Tanjung Priok yang secara geografis terletak pada
106.86670 BT dan 6.1000 LS.
Pengolahan data dan analisis dalam penelitian ini dimulai dengan pengumpulan data observasi
curah hujan yang didapatkan dari data AWS Stasiun Meteorologi Maritim Tanjung Priok lalu diolah
pada Microsoft Excel. Lalu mengunduh data GFS yang diperoleh dari NCEP GDAS. Data GFS diolah
(running) dengan model WRF-ARW 3.9.1 dengan konfigurasi domain yang digunakan dibagi menjadi
tiga yaitu domain pertama beresolusi 27 km, domain kedua beresolusi 9 km, dan domain ke tiga
beresolusi 3 km yang bisa dilihat pada gambar 1.

Gambar 1. Konfigurasi Domain Penelitian

Selanjutnya mengatur konfigurasi skema parameterisasi yang akan digunakan. Pada penelitian
ini menggunakan skema parameterisasi Tropical Physics Suite yang selanjutnya disebut dengan
parameterisasi A dan skema parameterisasi hasil penelitian Gustari (2012) yang menggunakan
skema parameterisasi mikrofisika Lin dan skema konveksi Kain-Fristch yang selanjutnya disebut
dengan parameterisasi B. Pengaturan konfigurasi parameterisasi A dan B untuk setiap domain dapat
dilihat pada tabel 1 dan 2.
Tabel 1. Konfigurasi skema parameterisasi Tropical physics suite
Konfigurasi Domain 1 Domain 2 Domain 3
Skema Kumulus New Tiedke Scheme New Tiedke Scheme Nol (0)
Skema Mikrofisis WSM6 WSM6 WSM6
Skema Radiasi Gel.Pendek RRTMG Scheme RRTMG Scheme RRTMG Scheme
Skema Radiasi Gel. Panjang RRTMG Scheme RRTMG Scheme RRTMG Scheme
Yonsei University Yonsei University Younsei University
Skema PBL
Scheme (YSU) Scheme (YSU) Scheme (YSU)
Skema Lapisan Permukaan Old MM5 Scheme Old MM5 Scheme Old MM5 Scheme
Unified Noah Land- Unified Noah Land- Unified Noah Land-
Skema Permukaan Darat
Surface Model Surface Model Surface Model
 Tabel 2. Konfigurasi Parameterisasi Penelitian Gustari dkk (2012)
Konfigurasi Domain 1 Domain 2 Domain 3
Skema Kumulus Kain-Fritsch (KF) Kain-Fritsch (KF) Kain-Fritsch (KF)
Skema Mikrofisis Lin et al. Scheme Lin et al. Scheme Nol (0)
Skema Radiasi Gel.Pendek Dudhia Scheme Dudhia Scheme Dudhia Scheme
Rapid Radiative Rapid Radiative Rapid Radiative
Skema Radiasi Gel. Panjang Transfer Model Transfer Model Transfer Model
(RRTM) (RRTM) (RRTM)
Yonsei University Yonsei University Younsei University
Skema PBL
Scheme (YSU) Scheme (YSU) Scheme (YSU)

Kemudian data GFS yang telah diolah (running) selanjutnya divisualisasikan dengan
menggunakan GrADs untuk ditampilkan nilai curah hujan per tiga jam. Selanjutnya hasil keluaran
model prediksi tersebut diverifikasi dengan data curah hujan AWS untuk melihat hasil
parameterisasi yang mana yang dapat menyimulasikan kejadian hujan yang paling baik. Verifikasi
yang dilakukan pada penelitian ini menggunakan metode untuk prakiraan dikotomi (ya/tidak).
Verifikasi untuk metode dikotomi dilakukan dengan menggunakan tabel kontingensi yang
menunjukkan frekuensi prakiraan dan kejadian “ya” dan “tidak” seperti pada tabel 3. Perhitungan
statistik yang dilakukan untuk tabel kontingensi pada penelitian ini antara lain akurasi, bias, threat
score (TS), probability of detection (POD) dan false alarm ratio (FAR).
Tabel 3. Tabel kontingensi untuk verifikasi prakiraan
Observasi
Ya Tidak Jumlah
Ya Hits False Alarms Forecast yes
Prediksi
Tidak Misses Correct Negatives Forecast no
Jumlah Obs yes Obs no Total

1. Nilai akurasi
Nilai akurasi menunjukkan jumlah prakiraan yang benar secara keseluruhan. Akurasi memiliki
rentang nilai antara 0 – 1. Nilai 1 jika prakiraan sempurna. Persamaannya sebagai berikut :
𝐻𝑖𝑡𝑠 + 𝐶𝑜𝑟𝑟𝑒𝑐𝑡 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =
𝑇𝑜𝑡𝑎𝑙

2. Nilai bias
Nilai bias dapat menunjukkan perbandingan antara kejadian frekuensi prakiraan ‘ya’ dengan
kejadian frekuensi pengamatan “ya”. Jangkauan nilai bias yaitu antara 0 sampai tak terhingga
dengan nilai bias = 1 merupakan nilai terbaik. Nilai bias dapat dihitung dengan persamaan :
𝐻𝑖𝑡𝑠 + 𝐹𝑎𝑙𝑠𝑒 𝐴𝑙𝑎𝑟𝑚𝑠
𝐵𝑖𝑎𝑠 =
𝐻𝑖𝑡𝑠 + 𝑀𝑖𝑠𝑠𝑒𝑠
3. Threat score (critical success index)
Threat score (TS) dapat menunjukkan sebaik apa prakiraan “ya” jika dibandingkan dengan kejadian
pengamatan “ya”. Jangkauan nilai TS yaitu antara 0 hingga 1, dengan TS = 1 merupakan nilai
sempurna. Persamaan TS :
𝐻𝑖𝑡𝑠
𝑇𝑆 =
𝐻𝑖𝑡𝑠 + 𝑀𝑖𝑠𝑠𝑒𝑠 + 𝐹𝑎𝑙𝑠𝑒 𝐴𝑙𝑎𝑟𝑚𝑠
4. Probabilitas deteksi (hit rate)
Nilai probabilitas deteksi (POD) menunjukkan seberapa besar pengamatan “ya” diperkirakan benar.
Nilainya berada pada rentang 0 sampai 1, dengan nilai terbaik pada saat POD = 1.
𝐻𝑖𝑡𝑠
𝑃𝑂𝐷 =
𝐻𝑖𝑡𝑠 + 𝑀𝑖𝑠𝑠𝑒𝑠
5. False alarm ration (FAR)
Nilai FAR menunjukkan besar prakiraan terjadi (ya) yang ternyata tidak terjadi. Nilainya antara 0
hingga 1 dengan nilai sempurna pada saat FAR = 1.
𝐹𝑎𝑙𝑠𝑒 𝐴𝑙𝑎𝑟𝑚𝑠
𝐹𝐴𝑅 =
𝐻𝑖𝑡𝑠 + 𝐹𝑎𝑙𝑠𝑒 𝐴𝑙𝑎𝑟𝑚𝑠

3. Hasil dan Pembahasan

3.1. Curah hujan hasil keluaran model
Analisis curah hujan menggunakan akumulasi curah hujan dengan rentang waktu per 3 jam
dengan skema parameterisasi A sebagai parameterisasi tropis dan skema pada parameterisasi B
sebagai skema parameterisasi mikrofisis Lin berdasarkan penelitian Gustari dkk tahun 2012.
a. Analisis estimasi curah hujan tanggal 27 Maret 2018 pukul 00 dan 03 UTC

: lokasi Tanjung Priok.

Gambar 2. Estimasi curah hujan menggukan skema parameterisasi tropis (parameterisasi A) dan
menggunakan skema parameterisasi mikrofisis Lin (parameterisasi B)
Berdasarkan gambar diatas pada parameterisasi A (tropis) maupun B (mikrofisis Lin) sama-sama
menunjukan bahwa daerah Tanjung Priok belum terjadi hujan karena pada masing-masing skema
menunjukan belum adanya curah hujan yang terkumpul. Hal ini berlangsung sampai pukul 03 UTC
dimana kedua parameterisasi menunjukkan tidak adanya hujan di wilayah Tanjung Priok. Namun
untuk daerah lain parameterisasi B menunjukkan gambar yang berbeda dengan parameterisasi A.
Pada parameterisasi B terlihat adanya curah hujan yang lebih banyak terkumpul di beberapa lokasi
daripada parameterisasi A.
b. Analisis estimasi curah hujan tanggal 27 Maret 2018 pukul 06 UTC

: lokasi Tanjung Priok.

Gambar 3. Estimasi curah hujan menggukan skema parameterisasi tropis (parameterisasi A) dan
menggunakan skema parameterisasi mikrofisis Lin (parameterisasi B)
Pada gambar 3, estimasi curah hujan pada pukul 06 UTC, baik parameterisasi A maupun B sama-
sama menunjukan hasil yang sama dengan 6 jam yang lalu bahwa belum ada hujan yang terestimasi
di wilayah Tanjung Priok. Namun pada parameterisasi A terlihat banyaknya curah hujan yang
terkumpul diwilayah Tangerang, Tangerang Selatan, Jakarta Barat, Jakarta Timur, Jakarta Selatan dan
Jakarta Pusat, sedangkan pada parameterisasi B hanya menunjukkan besarnya curah hujan di
wilayah Jakarta Timur, Jakarta Selatan dan Tangerang.
c. Analisis estimasi curah hujan tanggal 27 Maret 2018 pukul 09 UTC

: lokasi Tanjung Priok.

Gambar 4. Estimasi curah hujan menggukan skema parameterisasi tropis (parameterisasi A) dan
menggunakan skema parameterisasi mikrofisis Lin (parameterisasi B)
Pada gambar 4, estimasi curah hujan pada pukul 09 UTC, parameterisasi A menunjukan adanya
hujan yang terjsdi di wilayah Tanjung Priok yang memiliki curah hujan berkisar antar 15 – 30
mm/jam. Dengan nilai tersebut membuktikan adanya hujan dengan intensitas lebat di daerah
Tanjung Priok sesuai dengan kategori intensitas hujan yang dibuat oleh BMKG. Sedangkan pada
parameterisasi B masih belum menunjukan adanya hujan di wilayah Tanjung Priok.
d. Analisis estimasi curah hujan tanggal 27 Maret 2018 pukul 12 UTC sampai 15 UTC
a.

b.

: lokasi Tanjung Priok.

Gambar 5. (a) Estimasi curah hujan pukul 12 UTC (b) estimasi curah hujan pukul 15 UTC
Pada gambar diatas estimasi curah hujan pada pukul 12 UTC yang ditunjukkan pada skema
parameterisasi A maupun B sama-sama tidak mendapatkan hasil curah hujan dijam tersebut.
Gambar pada skema A pukul 12 dan 09 UTC terlihat hasil estimasi curah hujan yang sama, namun
hasil estimasi pada pukul 12 UTC merupakan akumulasi curah hujan dari pukul 09 UTC yang
menandakan pada pukul 12 UTC sudah tidak terjadi hujan. Begitu juga dengan pada parameterisasi B
yang menggunakan akumulasi dari 3 jam sebelumnya. Hal serupa berlaku pada pukul 15 UTC sampai
pukul 21 UTC yang juga tidak mendapat estimasi hujan. Hal tersebut menandakan bahwa dari jam 12
UTC hingga 21 UTC sudah tidak terjadi hujan di wilayah Tanjung Priok.
Berdasarkan gambar curah hujan, bahwa pada parameterisasi A di daerah Tanjung Priok pada
tanggal 27 Maret 2018 menunjukkan adanya curah hujan dimulai pukul 09.00 UTC yang bernilai
antara 15-30 mm/jam dan nilai ini tidak berubah hingga pukul 21.00 UTC. Sedangkan pada
parameterisasi B sama sekali tidak menunjukkan adanya curah hujan.
3.2. Verifikasi prediksi curah hujan
Verifikasi terhadap hasil prediksi curah hujan hasil keluaran model yang menggunakan dua
parameterisasi yaitu parameterisasi tropis dan parameterisasi Lin ditunjukkan dengan beberapa
parameter statistik yaitu bias, akurasi, threat score, probability of detection (POD), dan false alarm
ratio (FAR). Penentuan hujan atau tidak hujan untuk hasil keluaran model menggunakan nilai
ambang ( threshold) hujan > 0,1 mm/jam yang dihasilkan oleh model dianggap terjadi hujan.
Jumlah curah hujan yang dihasilkan oleh AWS, parameterisasi A dan parameterisasi B dapat dilihat
pada tabel 4 dan hasil verifikasi prakiraan dikotomi (ya/tidak hujan) diperlihatkan pada tabel 5.
Tabel 4. Hasil curah hujan AWS, parameterisasi A dan parameterisasi B

Curah hujan (mm/jam)

Jam (UTC) AWS Tropis Gustari
0 0 0 0
3 0 0.00048 0
6 0 0.00312 0
9 100.5 32.1582 0.02122
12 0 0.9733 0.13148
15 0 0 0
18 0 0 0
21 0 0 0

Tabel 5. Hasil verifikasi dikotomi kedua parameterisasi

Parameterisasi A Parameterisasi B
Bias 2 1
Akurasi 0.89 0.78
Threat Score 0.5 0
POD 1 0
FAR 0.5 1

Berdasarkan hasil verifikasi, parameterisasi A memiliki nilai akurasi 0.89 yang berarti 89% prakiraan
hujan adalah benar. Prakiraan hujan pada parameterisasi A cenderung menghasilkan over-forecast
terhadap frekuensi terjadi hujan berdasarkan nilai bias sebesar 2. Nilai TS sebesar 0.5 yang berarti
setengah kejadian hujan telah diprediksi dengan benar lalu nilai POD sebesar 1 dan nilai FAR sebesar
0.5. Dengan nilai POD yang bernilai 1 parameterisasi A dapat memprakirakan hujan dengan benar
sesuai dengan hujan yang teramati dan nilai FAR 0.5 berarti parameterisasi A memprakirakan
setengah kejadian hujan hasil keluaran WRF tidak benar-benar terjadi.
Sedangkan pada parameterisasi B, nilai akurasi yang didaptkan sebesar 0.78 yang berarti 78%
prakiraan hujan adalah benar. Prakiraan hujan pada parameterisasi B cenderung menghasilkan over-
forecast terhadap frekuensi terjadi hujan berdasarkan nilai bias sebesar 1. Nilai TS sebesar 0 yang
berarti tidak ada kejadian hujan telah diprediksi dengan benar oleh parameterisasi B, lalu nilai POD
sebesar 0 dan nilai FAR sebesar 1. Dengan nilai POD yang bernilai 0 parameterisasi B tidak dapat
memprakirakan hujan dengan benar sesuai dengan hujan yang teramati dan nilai FAR 1 berarti
parameterisasi B memprakirakan semua kejadian hasil hujan keluaran model WRF tidak benar-benar
terjadi.
Menurut hasil verifikasi dikotomi yang menggunakan beberapa parameter statistik, parameterisasi A
lebih baik dalam memprediksi kejadian hujan (POD dan akurasi tinggi) jika dibandingkan dengan
parameterisasi B (POD dan akurasi rendah). Namun, kedua parameterisasi belum mampu untuk
menghasilkan jumlah curah hujan yang lebih mendekati dengan hasil observasi. Hal ini terlihat dari
jumlah curah hujan yang dihasilkan oleh parameterisasi A hanya sebesar 33.1351/hari dan
parameterisasi B sebesar 0.1527/hari. Jumlah curah hujan yang dihasilkan oleh model WRF masih
berbeda jauh dengan jumlah curah hujan pada saat kejadian hujan yaitu sebesar 100.5 mm/hari.
4. Kesimpulan
Berdasarkan verifikasi yang dilakukan terhadap parameteriasasi Tropical Physics Suite dan
parameterisasi hasil penelitian Gustari dkk (2012) untuk kejadian hujan lebat pada tanggal 27 Maret
2018 di Tanjung Priok dapat disimpulkan bahwa :
1. Skema parameterisasi Tropical Physics Suite mampu menghasilkan prediksi hujan yang sebenarnya
lebih baik daripada parameterisasi hasil penelitian sebelumnya untuk wilayah Tanjung Priok.
Walaupun prediksi terjadinya hujan cenderung over-forecast.
2. Baik parameterisasi Tropical Physics Suite maupun parameterisasi hasil penelitian sebelumnya
belum bisa memberikan hasil yang baik mengenai jumlah curah hujan yang dihasilkan oleh model
karena hasilnya sangat jauh berbeda dengan kejadian yang sebenarnya.
Hasil ini memperlihatkan bahwa prediksi jumlah curah hujan yang menggunakan model WRF-
ARW untuk kedua parameterisasi membutuhkan penelitian lebih lanjut terutama untuk kasus hujan
lebat hingga sangat lebat agar akurasi dalam memprediksi hujan yang dihasilkan oleh model
meningkat. Selain itu, diperlukan juga penelitian lebih lanjut mengenai parameterisasi yang paling
baik diantara dua parameterisasi yang diteliti, yaitu dengan meneliti lebih banyak kasus hujan lebat
untuk wilayah Jakarta dan sekitarnya agar mengetahui parameterisasi mana yang lebih cocok untuk
wilayah Jakarta.
5. Daftar Pustaka
Cardoso, R., Soares, P., Miranda, P., dan Belo-Pereira, M., 2013, WRF high resolution simulation of
Iberian mean and extreme precipitation climate. Int. J. Climatol., 33, 2591–2608
Golding, B., 2013, Numerical Weather Prediction NWP, Royal Meteorology Society,
https://www.rmets.org/weather-andclimate/weather/numerical-weather-prediction-nwp,
diakses tanggal 10 Juli 2019
Gustari, I., Hadi, T. W., dan Hadi, S., Renggono, F., 2012, Akurasi Prediksi Curah Hujan Harian
Operasional di Jabodetabek: Perbandingan dengan Model WRF. Jurnal Meteorologi dan
Geofisika, vol.13, no.2, 119-130.
Hening, Arrumi Isnandia, Indah F., Lalu Mantigi W., P., Radibyo T., Nur Riska L., Vina Sabrina, Yudha
Bayu E., Uji Skema Parameterisasi Tropis Saat Kejadian Hujan Lebat Di Wilayah Perkotaan
Jakarta Menggunakan Model WRF-ARW, STMKG, Jakarta.
Hong, S. Y. dan Lee, J. W., 2009, Assessment of The WRF Model in Reproducing a Flash-Flood Heavy
Rainfall Event Over Korea, Atmospheric Research, Vol. 93, 818–831.
Skamarock, William, C., Klemp, Joseph, B., Dudhia, Jimmy, Gill, David, O.,Barker, Dale, M., Duda,
Michael, G., Huang, Xiang-Yu, Wei, Wang, Powers, dan Jordan, G., 2008, A Description of the
Advanced Research WRF Version 3, NCAR/TN-475+STR, NCAR Technical note.
Stensrud, David J., 2007, Parameterization Schemes Keys to Understanding Numerical Weather
Prediction Models, National Severe Storms Laboratory National Oceanic and Atmospheric
Administration Norman, Oklahoma
Wilks, D. S., 1995, Statistical methods in atmospheric sciences: an introduction, Academic Press, New
York.
Zakir Achmad, Widada S., Mia K., K., 2009, Perspektif Operasional Cuaca Tropis, Badan Meteorologi
Klimatologi dan Geofisika, Jakarta.